A medida que los estudiantes aprenden un nuevo concepto, medir qué tan bien lo comprenden a menudo ha dependido de las pruebas tradicionales de papel y lápiz. Los investigadores de Dartmouth han desarrollado un algoritmo de aprendizaje automático, que puede usarse para medir qué tan bien un estudiante entiende un concepto basado en elpatrones de actividad cerebral del alumno. Los resultados se publican en Comunicaciones de la naturaleza .
El estudio es uno de los primeros en observar cómo el conocimiento aprendido en la escuela está representado en el cerebro. Para evaluar el conocimiento de los conceptos en STEM, los investigadores de Dartmouth examinaron cómo los conocimientos y la actividad cerebral de los principiantes e intermedios se compararon al probar la ingeniería mecánica yconceptos de física, y luego desarrolló un nuevo método para evaluar su comprensión conceptual.
"Aprender sobre temas de STEM es emocionante pero también puede ser bastante desafiante. Sin embargo, a lo largo del aprendizaje, los estudiantes desarrollan una comprensión rica de muchos conceptos complejos. Presumiblemente, este conocimiento adquirido debe reflejarse en nuevos patrones de actividad cerebral.Sin embargo, actualmente no tenemos una comprensión detallada de cómo el cerebro apoya este tipo de conocimiento complejo y abstracto, así que eso es lo que nos propusimos estudiar ", dijo el autor principal David Kraemer, profesor asistente de educación en el Dartmouth College.
Veintiocho estudiantes de Dartmouth participaron en el estudio, divididos en dos grupos iguales: estudiantes de ingeniería y novatos. Los estudiantes de ingeniería habían tomado al menos un curso de ingeniería mecánica y un curso avanzado de física, mientras que los novatos no habían tomado ninguna ingeniería de nivel universitario oclases de física. El estudio constaba de tres pruebas, que se centraron en cómo se construyen las estructuras y evaluaron la comprensión de los participantes de la tercera ley de Newton: para cada acción hay una reacción igual y opuesta. La tercera ley de Newton a menudo se usa para describir las interaccionesde objetos en movimiento, pero también se aplica a objetos que son estáticos o inmóviles: todas las fuerzas en una estructura estática deben estar en equilibrio, un principio fundamental para comprender si una estructura colapsará bajo su propio peso o si puedesoportar más peso
Al comienzo del estudio, a los participantes se les proporcionó una breve descripción de los diferentes tipos de fuerzas en ingeniería mecánica. En un escáner fMRI, se les presentaron imágenes de estructuras del mundo real puentes, postes de luz, edificios y más y se les pidió que pensaran cómo se equilibraban las fuerzas en una estructura determinada para mantener la estructura en equilibrio. Luego, se les solicitó a los participantes una imagen posterior de la misma estructura, donde las flechas que representaban las fuerzas se superponían sobre la estructura.para identificar si las fuerzas newtonianas se habían etiquetado correctamente en este diagrama. Los estudiantes de ingeniería estudiantes intermedios respondieron el 75 por ciento de los diagramas correctamente y superaron a los novatos, quienes respondieron el 53.6 por ciento correctamente.
Antes de la sesión de fMRI, a los participantes también se les pidió que completaran dos pruebas estandarizadas de opción múltiple que midieron otros conocimientos de ingeniería mecánica y física. Para ambas pruebas, los estudiantes de ingeniería obtuvieron puntajes significativamente más altos que los novatos con 50.2 por ciento versus 16.9 por ciento,y 79.3 por ciento versus 35.9 por ciento.
En neurociencia cognitiva, los estudios sobre cómo se almacena la información en el cerebro a menudo se basan en promediar datos entre los participantes dentro de un grupo, y luego comparar sus resultados con los de otro grupo como expertos versus novatos. Para este estudio, el DartmouthLos investigadores querían idear un método basado en datos, que pudiera generar un "puntaje neuronal" individual basado únicamente en la actividad cerebral, sin tener que especificar de qué grupo formaba parte el participante. El equipo creó un nuevo método llamado análisis de red informativo, un algoritmo de aprendizaje automático que "produjo puntuaciones neurales que predijeron significativamente las diferencias individuales en el rendimiento", probando el conocimiento de conceptos específicos de STEM. Para validar el método de puntuación neural, los investigadores compararon la puntuación neural de cada estudiante con su rendimiento en las tres pruebas.Los resultados demostraron que cuanto mayor es el puntaje neural, más alto es el puntaje del estudiante en las pruebas de conocimiento del concepto
"En el estudio, descubrimos que cuando los estudiantes de ingeniería observaban imágenes de estructuras del mundo real, los estudiantes aplicaban automáticamente sus conocimientos de ingeniería y veían las diferencias entre las estructuras, como si se tratara de un voladizo, una armadura o una carga vertical", explicó Kraemer." Basado en las similitudes en los patrones de actividad cerebral, nuestro método de algoritmo de aprendizaje automático fue capaz de distinguir las diferencias entre estas categorías mecánicas y generar una puntuación neural que refleja este conocimiento subyacente. La idea aquí es que un ingeniero y un novatoverá algo diferente cuando vean una fotografía de una estructura, y estamos percibiendo esa diferencia ", agregó.
El estudio encontró que si bien tanto los estudiantes de ingeniería como los novatos usan la corteza visual de manera similar al aplicar el conocimiento conceptual sobre ingeniería, usan el resto del cerebro de manera muy diferente para procesar la misma imagen visual. De acuerdo con la investigación previa, los resultados demostraron que elEl conocimiento conceptual de los estudiantes de ingeniería se asoció con patrones de actividad en varias regiones del cerebro, incluida la red frontoparietal dorsal que ayuda a habilitar la cognición espacial y las regiones de la corteza occipitotemporal ventral que están implicadas en el reconocimiento de objetos visuales y la identificación de categorías.
El análisis de la red informativa también podría tener aplicaciones más amplias, ya que podría usarse para evaluar la efectividad de diferentes enfoques de enseñanza. El equipo de investigación está probando actualmente la comparación entre laboratorios prácticos versus laboratorios virtuales para determinar si cualquiera de los enfoques conduce a una mejoraprendizaje y retención de conocimiento a lo largo del tiempo.
Fuente de la historia :
Materiales proporcionados por Dartmouth College . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :